Клиентский путь больше не принадлежит только людям
13 октября Contentsquare представила бета-версию обновлённой Experience Platform. Компания предлагает отслеживать не только действия посетителей на сайтах и в приложениях, но и взаимодействия с ними со стороны LLM, чат-ботов и автономных AI-агентов.
Идея выглядит логично: агент может найти товар, сравнить предложения, проверить наличие, передать сведения человеку и в некоторых сценариях инициировать покупку. При этом он не ведёт себя как обычный пользователь. Он может не просматривать страницу визуально, не нажимать кнопки в привычном смысле и обращаться к данным через специальный интерфейс или протокол.
Для аналитики это новый тип участника клиентского пути. Он не всегда становится покупателем, но способен повлиять на решение о покупке.
Важно отделять подтверждённое от заявленного. Contentsquare описывает продукт как бета-версию для отдельных клиентов, а перечисленные возможности — как направление развития собственной платформы, а не как уже установленный отраслевой стандарт.
Это не очередной материал про SEO для нейросетей
Вокруг AI-поиска уже сформировалась отдельная задача: сделать так, чтобы бренд, товар или сервис попадали в ответы нейросетей. Это можно считать развитием SEO и оптимизации под ответы — компании следят за тем, как их описывают AI-системы и какие страницы те используют.
Но видимость — только начало цепочки.
Бизнесу также важно понимать, что происходит после того, как агент нашёл компанию. Какие данные он извлёк? Правильно ли понял цену, комплектацию и условия возврата? Перешёл ли на страницу товара? Где остановился? Передал ли человеку ссылку или сформировал следующий шаг самостоятельно?
Именно здесь аналитика агентских маршрутов отличается от обычной работы с AI-видимостью. Речь идёт не о том, присутствует ли бренд в ответе, а о качестве машинного взаимодействия с коммерческим опытом.
Пример: покупка ноутбука
Пользователь спрашивает AI-помощника, какой ноутбук выбрать для работы с графикой. Агент собирает характеристики на сайтах нескольких продавцов, сравнивает модели и возвращает короткий список. Человек открывает одну из рекомендаций и оформляет заказ.
В стандартной веб-аналитике последний переход может выглядеть как прямой визит или обычный referral-трафик. Однако решение частично сформировалось в чате, а значительная часть информации была получена за пределами сайта.
В другом сценарии агент может проверить наличие, подобрать варианты по бюджету или собрать корзину. Тогда сайт получает технический запрос, но не обязательно фиксирует его как полноценную сессию посетителя.
Без отдельной классификации компания не увидит, какие AI-сервисы приводят клиентов, какие сведения они используют и на каком этапе машинный сценарий ломается.
Иллюстрация: ИИ
Что Contentsquare предлагает измерять
В анонсе платформы перечислены несколько направлений:
- анализ трафика от LLM и AI-агентов;
- объединение веб-, мобильных, голосовых и текстовых взаимодействий;
- анализ клиентского пути между разными сессиями, устройствами и каналами;
- мониторинг активности агентов через WebMCP;
- атрибуция конверсий с учётом переходов из AI-сервисов;
- выявление проблем в клиентском пути;
- запуск экспериментов после одобрения сотрудника.
Компания также заявляет интеграции с инструментами вроде Claude, ChatGPT, Microsoft Copilot, Figma и Cursor.
Если такой подход будет работать в реальных сценариях, маркетинговая аналитика начнёт отвечать не только на вопрос «откуда пришёл человек», но и на вопрос «какой программный посредник повлиял на его решение».
Однако сам факт технического запроса ещё не доказывает влияние на покупку. Агент мог прочитать страницу и не рекомендовать товар, а пользователь мог перейти из AI-сервиса, но уже заранее выбрать продукт в другом месте. Поэтому агентскую атрибуцию нельзя автоматически приравнивать к конверсии.
Ограничения новой атрибуции
Главное ограничение — неполная наблюдаемость. Любой агент будет виден аналитической системе только при определённых условиях: если сайт допускает соответствующий способ доступа, протокол передаёт нужные события, а настройки продавца не блокируют взаимодействие.
Часть действий может происходить в интерфейсе AI-сервиса и не оставлять полноценного следа на стороне магазина. В таком случае компания увидит переход, но не весь путь принятия решения. В другом случае она заметит автоматизированный запрос, но не сможет уверенно определить, был ли за ним человек, тестовый сценарий или автономное действие.
Есть и проблема качества данных. Если агент использует устаревшую цену, неверно трактует наличие или пропускает условия доставки, причина сбоя может находиться не в интерфейсе, а в структуре коммерческой информации. Новая аналитика поможет заметить проблему, но не устранит её автоматически.
Наконец, публичные заявления о платформе исходят от её разработчика. Contentsquare говорит о масштабах обработки взаимодействий, однако в опубликованном анонсе не приводит независимую методику подтверждения этих объёмов. Поэтому ранние возможности продукта стоит воспринимать как предложение для тестирования, а не как доказанную норму рынка.
Базовый аудит без новой платформы
Компании могут начать подготовку уже сейчас.
- Разделите типы трафика. Отдельно учитывайте людей, поисковых роботов, переходы из LLM и автоматизированные запросы. Не смешивайте их в одном отчёте.
- Проверьте машинную читаемость каталога. Цена, наличие, характеристики, доставка, возврат и ограничения должны быть представлены структурированно и регулярно обновляться.
- Сравните ответы разных помощников. Задайте им одинаковые запросы о продукте и зафиксируйте, какие характеристики они называют и какие ошибки допускают.
- Проведите тестовый клиентский путь. Проверьте, может ли агент найти товар, сравнить варианты, перейти к нужной странице и понять следующий шаг.
- Отделяйте переход от влияния. В отчётах фиксируйте сам факт визита из AI-сервиса отдельно от доказанного вклада в покупку.
- Ограничьте полномочия агентов. Изменение корзины, бюджета, заказа или условий сделки должно требовать явного подтверждения человека.
Вывод: измерять придётся не только покупателя
AI-агент становится новым посредником между брендом и человеком. Он может выбирать информацию, сокращать список вариантов и формировать ожидания ещё до визита на сайт.
Поэтому следующий слой маркетинговой аналитики — это не просто мониторинг упоминаний бренда в ответах нейросетей. Компаниям нужно понимать, какие данные доступны машинам, как они интерпретируют коммерческое предложение и приводит ли их работа к реальному результату.
Пока решение Contentsquare находится в бете, разумнее не считать его обязательной покупкой. Но саму задачу уже стоит включить в аудит цифрового опыта: клиентский путь теперь может начинаться с программы, а заканчиваться человеком.
